《 无人驾驶原理与实践》一3.5.2SLAM应用

3.5.2SLAM应用

       目前存在很多开源的VSLAM方案（Visual SLAM，视觉SLAM），根据其特性分为：
     ◆    稀疏法SLAM：ORBSLAM、PTAM、MonoSLAM
     ◆    半稠密法SLAM：LSDSLAM、DSO、SVO
     ◆    稠密法SLAM：DTAM、DVO、RGBDSLAM、RTABMAP等
       这些SLAM在实验阶段或demo阶段效果还不错，但是一旦将其应用在实际工程当中就会出现各种各样的问题，如鲁棒性问题、精度问题等。我们必须要了解这些SLAM存在的问题，从而进一步弥补缺陷和完善算法。
       目前，主流的VSLAM根据应用的特征主要分为两大类：直接法和特征点法。根据硬件设备的数量和情况，又分为单目、双目和RGBDSLAM三大类。
       下面我们通过分析VSLAM的普遍问题所在，进一步对SLAM进行更深入的了解。VSLAM所存在的普遍问题如下：
       1）速度问题。无论是哪种VSLAM，只要是依靠摄像头传感器，那么就必然要考虑视频帧数据的传输问题。尤其在运动速度过快的时候会出现图像模糊的问题。图像匹配是VSLAM建立数据关联的核心所在。如果存在大量的误匹配，那么就无法解决定位问题。因此，一旦出现多个关键帧模糊以及匹配错误，整个系统就会出现故障。另外，由于视觉处理数据量较大，必然要考虑硬件设备的处理能力，这对硬件计算单元的工程化应用也提出了挑战。
       2）环境问题。VSLAM的运行对外界环境也有一些依赖。例如，如果外界环境是弱纹理或无纹理情况（比如白墙），以及重复纹理的情况（如相似的建筑物群），此时SLAM算法也很难继续工作。弱纹理带来的问题是没有什么明显的特征让VSLAM提取，因此无法提取其特征值，算法也就无法正常工作；重复纹理引进的问题是环境的相似性会造成大量误匹配，因此会造成错误的位置关联，也会使得定位失效。对于视觉SLAM，另外一个问题是摄像头所能看到的环境必须大部分是静态的。换句话说，VSLAM对动态环境的适应性、鲁棒性不足。在实际工程应用中，如果摄像头所看到的大部分场景都在动，那么摄像头就会认为是自身在移动，这意味着一旦有大量的相对运动，VSLAM就会认为是自身在动，这个时候系统的鲁棒性就会存在重大问题，导致定位不准。
       3）光照问题。只要是视觉传感器目前所面临的问题，在VSLAM中都会存在。例如，在明暗交替的环境下，VSLAM很容易因为摄像头曝光或成像速度跟不上，导致匹配出错问题。
       下面我们简单介绍一下常见SLAM方法的优缺点，从而让读者能更深入地了解目前SLAM系统的情况。
       1）单目SLAM的优缺点：单目SLAM的优点是只需要一个摄像头即可，而且不用考虑双目摄像头在长时间使用或碰撞情况下造成的标定参数误差变大问题。缺点就是尺度不确定，即无法测量深度。
       2）双目SLAM的优缺点：双目SLAM的优点是比较容易获得场景深度信息，不用考虑单目尺度不确定性问题。缺点是对设备体积有要求，并且两个摄像头之间必须有基线校正。
       3）RGBDVSLAM优缺点：RGBDVSLAM的优点是可直接获得场景深度信息，在线工作时减少了相应的深度计算工作，即减少了计算工作量。RGBD深度摄像头也被认为是未来VSLAM最有前途的视觉传感器。缺点是相对成本略高。
       4）直接法和特征点法的优缺点：特征点法的优点是，基于特性点法的VSLAM对快速运动的鲁棒性要比直接法高，但由于角点检测、描述、匹配耗时较长，因此实时性比直接法差。直接法的优点是处理速度快，因为特征往往是梯度点、边，提取简单，所以描述匹配简单，建图特征比特征点法要稠密。直接法的缺点是对于快速运动的鲁棒性不足，只适合短基线的匹配。因为在优化迭代位姿时，摄像头运动过快容易导致相邻帧基线过长，从而导致相邻帧像素偏差过大，导致位姿求解陷入一个错误的局部最优解。

3.6本章参考文献

      ［1］Dissanayake G, DurrantWhyte H, Bailey T A computationally efficient solution to the simultaneous localisation and map building (SLAM) problem［J］. IEEE Trans Ra, 2013, 17(3):229241

       ［2］PCL［EB/OL］.http://pointcloudsorg 

       ［3］周春艳, 李勇, 邹峥嵘 三维点云ICP算法改进研究［J］. 计算机技术与发展, 2011, 21(8):7577

       ［4］PCL中的ICP算法［EB/OL］.http://pointcloudsorg/documentation/tutorials/interactive_icpphp#interactiveiterativeclosestpoint

       ［5］The ThreeDimensional NormalDistributions Transform—an Efficient Representation for Registration, Surface Analysis, and Loop Detection ［EB/OL］.http://aassoruse/Research/mro/publications/2009/Magnusson_2009Doctoral_Thesis3D_NDTpdf

       ［6］正态分布［EB/OL］.https://enwikipediaorg/wiki/Normal_distribution

       ［7］NDT算法代码［EB/OL］.http://wwwpclcnorg/study/shownewsphp?lang=cn&id=80

       ［8］E Takeuchi, T TsubouchiA 3D Scan Matching using Improved 3D Normal Distributions Transform for Mobile Robotic Mapping ［C］.IROS, 2006

       ［9］ROS robot_localization package wiki［EB/OL］.http://docsrosorg/lunar/api/robot_localization/html/indexhtml#